La latencia p99 de tu API principal se triplica veinte minutos después de un despliegue. Explícame qué haces.

Estabiliza antes de investigar: si el momento coincide con el despliegue, haz vuelta atrás o detén el despliegue primero. Después compara la versión vieja y la nueva en los mismos dashboards, mira la tasa de error y la saturación junto a la latencia, y determina si el pico es uniforme o está aislado en un endpoint, un shard o una zona. Las trazas muestran qué salto creció. El análisis de causa raíz llega cuando los usuarios están a salvo.

Lo primero, paro la hemorragia. Si un despliegue salió hace veinte minutos y la latencia se ha triplicado, eso es vuelta atrás hasta que se demuestre lo contrario, y con gusto me equivoco sobre la causalidad mientras los usuarios estén bien. En paralelo declaro el incidente para que alguien se haga cargo de las comunicaciones, porque los peores incidentes en los que he estado fueron aquellos en los que las mismas tres personas depuraban y contestaban preguntas en cinco canales. Después compruebo si es uniforme. ¿Es cada endpoint o solo uno? ¿Todos los pods o solo el ReplicaSet nuevo? ¿Una zona de disponibilidad? Eso normalmente reduce el espacio de búsqueda de inmediato. A partir de ahí saco una traza de ejemplo de una petición lenta y miro adónde se fue el tiempo de verdad. Tuvimos uno de estos donde la compilación nueva añadía una llamada de log inofensiva dentro de un bucle que hacía una resolución DNS por iteración, así que el árbol de spans lo dejó claro en segundos. Tras la vuelta atrás confirmo que el p99 está de nuevo por debajo del SLO antes de cerrar nada.